2014年12月，几内亚农村一名两岁男童死于埃博拉病毒。在接下来的两年里，几乎西非有30,000人感染了埃博拉病毒。
为什么这次疫情与之前的17次埃博拉疫情不同，规模如此之大、扩散如此之快？如果有的话，还能做些什么来预防未来的疫情？这些问题以及许多其他问题，正是新兴的疫情预测科学领域的核心所在。而利害关系再高不过。今年1月，世界经济论坛将大流行病列为对企业和人类生命最大的风险之一。
在过去几个世纪里，科学家在预测世界的许多方面上越来越精准，包括行星轨道、潮汐涨落以及飓风路径。能够充分理解自然和物理系统，从而做出准确预测，或许是人类最伟大的成就之一。
预测领域的很大一部分成功源于艾萨克·牛顿的基本洞见：存在支配我们周围自然现象的、不变的普遍规律。快速进行大规模计算的能力，助长了牛顿式的观点，即只要有足够的数据和计算能力，大多数复杂现象都是可以预测的。
然而，这种方法也有局限。作为研究此类 预测系统的科学家， 我们我们怀疑，要准确预测疾病爆发的下一步走向几乎不可能，因为最重要的变量会因疫情而发生巨大变化。
因此，与天气预报一样，收集实时数据很可能是提升科学界预测疫情能力的关键。
变幻无常的流行病
科学家能够对流行病进行建模，其依据是这样一种观点：每次疫情的发展轨迹都是可预测的，因为其内在特性是固定不变的。
假设某种疾病由一种可传播的病原体引起。该疾病的传染性可以用一个称为“基本再生数”（basic reproductive ratio）的数字来概括，即 R0，这一数字描述了病原体在特定人群中可能传播的广泛程度。
如果流行病学家充分了解某种病原体的 R0，他们便有望预测其下一次疫情的某些方面，并有望防止小规模疫情演变为大规模流行。他们可能通过将资源调配到病原体 R0 值特别高的地区来做到这一点。或者，他们可能会限制疾病携带者与特定社会中最易感人群（通常是儿童和老年人）之间的接触。
这样一来，R0 就被视为一个不变的数字。但现代研究表明情况并非如此。
例如，以寨卡病毒疫情为例。对于这种疾病，R0 的范围为 0.5 至 6.3。这是一个非常大的跨度，既包括会自行消散的疾病，也包括会导致长期流行的疾病。
人们可能认为，寨卡病毒 R0 值的这种广泛范围源于统计上的不确定性，即科学家可能只是需要更多数据。但这种看法基本上是错误的。对于寨卡病毒而言，众多因素，从气候和蚊子，到登革热等其他相关病毒的存在，以及性传播的作用，都会导致在不同环境中出现不同的 R0 值。
事实证明，流行病的特征（包括病原体的传染性、传播速率、疫苗的可获得性等）在单次疫情过程中变化非常迅速，以至于科学家只能在该次疫情的过程中预测其动态。换句话说，研究2014年4月的埃博拉病毒病疫情，可能有助于科学家理解同一环境下次月发生的埃博拉疫情，但对于理解未来埃博拉流行病（例如2018年5月发生的那次）的动态，其帮助往往要小得多。
流行病通常并非整齐划一、界限分明的现象。它们是嘈杂的事件，其中众多变量扮演着关键但不断变化的角色。疾病并不存在潜在的固定真相，只有一系列不稳定、不断变化的细节，并且随着疾病传播，这些细节往往相互交织。
更好的预测
如果科学家不确定自己能否充分理解流行病学系统，从而预测相关系统的行为，那又何必去研究它们呢？
答案或许在于我们所称的预测“软物理学”：科学家应当停止假定每次疫情都遵循相同的规律。在比较一次疫情与另一次疫情时，他们应当牢记两者之间的所有情境差异。
例如，生物学家已经揭示了许多关于流感感染的细节。他们了解病毒如何与宿主细胞结合、如何复制，以及如何对抗病毒药物产生耐药性。但一次流行可能始于某一天大量民众乘坐公共交通工具，而另一次则可能由宗教礼拜集会引发。尽管两次疫情都源于相同的传染源，但这些以及其他诸多具体细节上的差异意味着，科学家可能需要重新构建其模型，以刻画每次疫情的发展过程。
为了更好地理解这些具体细节，科学家需要在实时数据方面进行大量投入。以美国国家气象局为例，其每年在收集数据和制作预报方面的支出超过10亿美元。美国疾病控制与预防中心在公共卫生统计方面的支出仅为其四分之一，并且没有专门用于预测的预算。
疾病监测仍然是科学领域风险最高的领域之一。审慎考虑疫情背后的独特情况，并更负责任地收集数据，可能挽救数千条生命。
